Системы поддержки принятия решений, экспертные системы и базы данных: теоретические основы и методические аспекты преподавания на пропедевтическом уровне информатики

В эпоху беспрецедентной цифровой трансформации, где способность к анализу данных и принятию обоснованных решений становится одним из важнейших навыков, всестороннее понимание систем поддержки принятия решений (СППР), экспертных систем (ЭС) и баз данных (БД) является не просто академической необходимостью, а фундаментальной основой для подготовки специалистов будущего.

Введение: Актуальность изучения интеллектуальных систем и баз данных в современном образовании

В условиях стремительной цифровой трансформации, когда к 2025 году, по прогнозам Всемирного экономического форума, 40% профессиональных навыков устареют, а каждому второму сотруднику потребуется переквалификация, способность принимать обоснованные решения на основе данных становится ключевой компетенцией. Информационные системы, в частности системы поддержки принятия решений (СППР), экспертные системы (ЭС) и базы данных (БД), выступают не просто как инструменты, но как фундамент для формирования этой компетенции. Изучение их теоретических основ и практического применения становится неотъемлемой частью подготовки современных специалистов, особенно в области информатики и педагогики, ведь без глубокого понимания этих систем невозможно эффективное управление информацией и принятие стратегически верных решений.

Настоящая курсовая работа посвящена всестороннему исследованию этих трех взаимосвязанных областей. Её актуальность для студентов технических и педагогических вузов заключается в том, что будущие ИТ-специалисты должны не только владеть техническим инструментарием, но и понимать принципы, лежащие в основе принятия решений в сложных системах. Для будущих педагогов-информатиков важно уметь адаптировать эти сложные концепции для пропедевтического уровня обучения, формируя у школьников начальные представления об информатике, развивая их критическое мышление и аналитические способности.

Цель данной работы — разработать исчерпывающее академическое исследование по СППР, ЭС и БД, акцентируя внимание на их теоретических основах и методических аспектах преподавания на пропедевтическом уровне информатики. Для достижения этой цели ставятся следующие задачи:

• Раскрыть сущность, эволюцию и современные тенденции в развитии СППР.
• Исследовать принципы функционирования, архитектуру и модели представления знаний в ЭС.
• Проанализировать фундаментальные концепции, модели и архитектуры БД и СУБД.
• Представить методологии и этапы проектирования баз данных.
• Разработать эффективные методические подходы для преподавания данных концепций на пропедевтическом уровне информатики.

Структура работы охватывает каждый из этих аспектов, последовательно раскрывая тему от фундаментальных понятий до конкретных педагогических рекомендаций, создавая целостную картину взаимодействия интеллектуальных систем и образовательного процесса.

Теоретические основы систем поддержки принятия решений (СППР)

Понятие и эволюция СППР

На заре компьютерной эры, когда машины только начинали осваивать мир логики и вычислений, человечество уже сталкивалось с проблемами, требующими не только сбора, но и осмысленного анализа огромных объемов информации. Именно в этом контексте, в середине XX века, зародилась идея систем, способных не просто выполнять команды, но и помогать человеку в принятии сложных решений. Система поддержки принятия решений (СППР) — это не просто программный инструмент, а своего рода интеллектуальный помощник, интегрирующий разрозненные источники данных и продвинутые аналитические модели для выработки оптимальных решений в ситуациях, характеризующихся множеством переменных и неопределенностью. Её основная задача — дать пользователю рычаги для более эффективной оценки альтернатив и прогнозирования потенциальных последствий своих действий, что особенно важно в условиях, когда сложность задач выходит за рамки чисто человеческих когнитивных возможностей.

Истоки СППР восходят к плодотворным исследованиям Технологического института Карнеги конца 1950-х — начала 1960-х годов XX века. Именно там были заложены теоретические основы, которые позже, благодаря специалистам Массачусетского технологического института в 1960-х годах, удалось органично объединить с практикой. Неоценимый вклад в развитие концепции внесли работы таких пионеров, как Герберт Саймон, чьи изыскания в 1950-х годах легли в основу понимания процессов принятия решений. Джордж Данциг в 1952 году разработал метод линейного программирования, ставший краеугольным камнем для оптимизационных моделей, используемых в СППР. Дуглас Энгельбарт в 1960-х годах создал NLS — одну из первых гипермедиасистем, предвосхитивших интерактивные интерфейсы современных СППР. Джей Форрестер в 1962 году внес свой вклад с системой SAGE, системой противовоздушной обороны, которая стала ранним примером масштабной интегрированной информационной системы.

Однако формальное рождение концепции СППР обычно связывают с именем Майкла С. Скотт-Мортона из Гарвардского университета, который в феврале 1964 года сформулировал её ключевые принципы. Его диссертация 1967 года, посвященная созданию, реализации и тестированию интерактивной модельно-управляемой системы принятия управленческих решений, стала знаковым событием, определившим дальнейший путь развития СППР. В конце 1960-х годов П. Кин и Ч. Стобель, продолжая исследования в Технологическом институте Карнеги и Массачусетском технологическом институте, уточнили определение модельно-ориентированных СППР, подчеркнув их аналитическую мощь. Джон D.C. Литтл из Массачусетского технологического института также активно изучал применение СППР в маркетинге. Среди ранних систем симуляции процессов на основе исторических транзакций, разработанных в MIT, особо выделяется DYNAMO.

Сегодня СППР нашли широкое применение в различных областях: от бизнеса и управления до медицины и производства. В бизнесе они помогают определять стратегические задачи, управлять проектами, активами, издержками, рисками, производственными мощностями, изменениями и взаимоотношениями с контрагентами. Примеры включают системы планирования ресурсов предприятия (ERP) для оптимизации производства, системы управления взаимоотношениями с клиентами (CRM) для анализа потребностей и повышения продаж, а также системы бизнес-аналитики (BI) для выявления трендов и определения ключевых показателей эффективности (KPI). В медицине СППР, известные как системы поддержки принятия врачебных решений (СППВР), подают тревожные сигналы, ассистируют в диагностике, контролируют и планируют терапию, распознают образы и распространяют «лучшие практики». Российские разработки в этой области включают системы «ДИН», «Айболит», «ДИНАР», Webiomed, Galenos и Киберис, что свидетельствует о глобальной значимости и востребованности этих технологий.

Классификация и архитектура СППР

Системы поддержки принятия решений (СППР) представляют собой сложный и многогранный класс информационных систем, которые могут быть структурированы и классифицированы по множеству критериев. Эти критерии позволяют не только лучше понять их функциональные особенности, но и определить наиболее эффективные области применения.

Одной из основных является классификация по типам используемых данных, области применения и уровню автоматизации. В рамках этого подхода выделяют следующие основные классы СППР:

• Данные-ориентированные СППР: Эти системы сосредоточены на эффективном сборе, хранении и анализе больших объемов данных. Они активно используют возможности баз данных, хранилищ данных и различных инструментов отчетности для выявления закономерностей, трендов и аномалий. Их цель — предоставить пользователю максимально полную и структурированную картину текущего состояния предметной области. Примерами могут служить аналитические системы для финансового сектора, где требуется обработка транзакций, или системы для ритейла, анализирующие данные о продажах.
• Модели-ориентированные СППР: В отличие от данных-ориентированных систем, здесь основной акцент делается на анализе и моделировании. Эти СППР содержат набор математических, статистических или имитационных моделей, которые позволяют прогнозировать будущие события, оптимизировать процессы или оценивать риски. Пользователь может взаимодействовать с моделями, изменяя параметры и наблюдая за результатом. Системы планирования ресурсов предприятия (ERP) часто имеют мощную модельную подсистему.
• Знания-ориентированные СППР: Эти системы являются наиболее продвинутыми и интегрируют в себя элементы экспертных систем и искусственного интеллекта. Они используют формализованные знания экспертов для выработки рекомендаций и объяснения логики своих выводов. Такие системы незаменимы в областях, где требуется не только анализ данных, но и применение глубоких предметных знаний, например, в медицине для постановки диагноза или в юриспруденции.

На уровне пользователя СППР можно разделить по степени их участия в процессе принятия решения:

• Пассивные СППР: Эти системы служат вспомогательным инструментом, предоставляя информацию и аналитические возможности, но не предлагая конкретных решений. Они поддерживают процесс принятия решения, оставляя финальный выбор за человеком.
• Активные СППР: Более продвинутый класс систем, которые способны не только анализировать, но и формулировать предложения по выбору решения. Они могут рекомендовать оптимальный вариант, основываясь на заложенных в них алгоритмах и данных.
• Кооперативные СППР: Это вершина взаимодействия человека и машины. Кооперативная СППР не только предлагает решения, но и позволяет лицу, принимающему решение (ЛПР), активно участвовать в процессе, изменяя, дополняя или улучшая предложенные системой варианты. Эти изменения затем отправляются обратно в систему для проверки, создавая интерактивный цикл обратной связи и обучения.

С технической точки зрения СППР также имеют свою классификацию:

• СППР всего предприятия: Это масштабные, комплексные системы, подключенные к централизованным хранилищам информации (например, корпоративным базам данных) и обслуживающие множество менеджеров и отделов в рамках всей организации. Они обеспечивают единую точку доступа к данным и моделям для всех заинтересованных сторон.
• Настольная СППР: Представляет собой более локальное решение, предназначенное для одного пользователя или небольшой рабочей группы. Такие системы обычно функционируют на отдельном компьютере и могут быть настроены под специфические потребности конкретного специалиста.

В состав любой СППР, независимо от её классификации, входят три основных компонента, работающие в тесном взаимодействии:

1. База данных (БД): Является «сердцем» системы, обеспечивая централизованное хранение и быстрый доступ ко всей необходимой информации. От её структуры и полноты напрямую зависит качество анализа и принимаемых решений.
2. База моделей (БМ): Содержит набор аналитических моделей (статистических, математических, оптимизационных, имитационных), которые используются для обработки данных и прогнозирования.
3. Программная подсистема: Это комплекс программных модулей, который управляет взаимодействием БД и БМ с пользователем. Она состоит из:
   • Системы управления базами данных (СУБД): Отвечает за создание, ведение и совместное использование БД.
   • Системы управления базой моделей (СУБМ): Позволяет создавать, модифицировать и эффективно использовать различные аналитические модели.
   • Системы управления интерфейсом: Обеспечивает интуитивно понятное и эффективное взаимодействие между пользователем и СППР, преобразуя сложные данные и результаты моделей в удобный для восприятия формат.

Таким образом, комплексная архитектура СППР позволяет ей быть гибким и мощным инструментом, адаптирующимся к потребностям различных пользователей и предметных областей, предоставляя не просто данные, но и осмысленные рекомендации для принятия стратегически важных решений.

Современные тенденции в развитии СППР

Современный ландшафт систем поддержки принятия решений (СППР) переживает революционные изменения, обусловленные бурным развитием искусственного интеллекта (ИИ) и машинного обучения (МО). Прогресс последних лет выражается в глубокой интеграции в СППР систем, основанных на знаниях, что позволяет им не только предлагать решения, но и предоставлять детальные объяснения своих выводов, повышая доверие пользователей и прозрачность процесса принятия решений. Это означает, что сегодняшние СППР не просто выдают результат, но и могут аргументировать, почему именно это решение является оптимальным, что кардинально меняет подход к их использованию.

Ключевой тенденцией является интеграция машинного обучения (ML) для анализа данных, создания более точных и сложных моделей, а также автоматической адаптации к постоянно изменяющимся условиям. Это выходит за рамки традиционных статистических методов и открывает новые горизонты для предсказательной и предписывающей аналитики. В рамках этой интеграции активно используются методы искусственного интеллекта и глубокого обучения, которые позволяют СППР справляться с задачами, ранее требовавшими исключительно человеческого интеллекта:

• Искусственные нейронные сети (ИНС): Эти модели, вдохновленные структурой человеческого мозга, способны выявлять сложные нелинейные зависимости в данных, что делает их незаменимыми для прогнозирования и классификации.
• Деревья решений: Простые, но эффективные алгоритмы, которые визуально и логически представляют процесс принятия решения, делая его прозрачным и легко интерпретируемым. Они используются для классификации и регрессии.
• Метод опорных векторов (SVM): Мощный алгоритм для классификации и регрессии, который строит оптимальную гиперплоскость для разделения классов в многомерном пространстве признаков.
• Метод k-ближайших соседей (k-NN): Простой и интуитивно понятный алгоритм для классификации, основанный на принципе сходства объектов.
• Автоэнкодеры: Нейронные сети, предназначенные для обучения эффективному кодированию данных, часто используются для снижения размерности и обнаружения аномалий.
• Сверточные нейронные сети (CNN): Революционировали обработку изображений и видео, позволяя СППР анализировать визуальные данные для поддержки решений (например, в медицинской диагностике).
• Рекуррентные нейронные сети (RNN): Идеальны для работы с последовательными данными, такими как временные ряды или текст, что важно для прогнозирования финансовых рынков или анализа естественного языка.
• Глубокие сети доверия (DBN): Многослойные нейронные сети, способные извлекать сложные иерархические признаки из неразмеченных данных.
• Генеративно-состязательные сети (GAN): Используются для создания новых данных, похожих на обучающие, что находит применение в синтезе данных для обучения или симуляции сценариев.
• Трансферное обучение (Transfer Learning): Позволяет использовать предварительно обученные модели на больших наборах данных для решения новых, связанных задач с меньшим объемом данных, значительно ускоряя разработку СППР.

Помимо отдельных алгоритмов, современные СППР активно интегрируют гибридные модели контекстуального обучения и мультиагентные подходы. Гибридные системы сочетают в себе различные ИИ-технологии (например, нейронные сети и символический вывод) для более эффективного решения сложных задач. Мультиагентные системы, в свою очередь, позволяют распределять задачи между несколькими автономными «агентами», каждый из которых вносит свой вклад в процесс принятия решения, что особенно эффективно в распределенных и динамических средах.

Еще одной заметной тенденцией является применение AutoML (Automated Machine Learning). Эта технология автоматизирует многие этапы жизненного цикла машинного обучения, включая выбор модели, настройку гиперпараметров и оценку производительности. В контексте СППР AutoML используется для автоматизации процессов обслуживания и управления ресурсами, делая системы более самостоятельными и адаптивными к изменениям. Это сокращает время на разработку и внедрение новых аналитических моделей, позволяя бизнесу быстрее реагировать на рыночные вызовы.

Таким образом, современные СППР становятся все более «интеллектуальными», способными не только обрабатывать и анализировать данные, но и извлекать из них глубокие знания, учиться на опыте и активно участвовать в формировании оптимальных стратегий. Это открывает беспрецедентные возможности для повышения эффективности принятия решений во всех сферах человеческой деятельности.

Теоретические основы экспертных систем (ЭС)

Определение и история ЭС

В мире информационных технологий, где алгоритмы и строгая логика царят безраздельно, существует особая категория программ, способных выйти за рамки формальных инструкций, имитируя человеческий разум в решении сложных, неформализованных задач. Эти программы называются экспертными системами (ЭС) — интеллектуальные компьютерные программы, цель которых — частично заменить специалиста-эксперта в решении проблемных ситуаций. Их уникальность заключается в использовании формализованных знаний одного или нескольких экспертов, которые представлены в понятной компьютеру базе знаний.

Экспертные системы по своей сути являются системами искусственного интеллекта. Они включают в себя базу знаний, состоящую из набора правил и фактов, а также механизм вывода, который, опираясь на эти правила и предоставленные пользователем данные, способен распознавать ситуацию, формулировать решение или предлагать рекомендации по выбору действия. Ключевая особенность ЭС — их способность справляться с неформализованными задачами, то есть такими, для которых не существует четкого, предопределенного алгоритмического решения. Это области, где требуется не только обработка данных, но и интуиция, опыт и глубокие предметные знания.

История экспертных систем уходит корнями в далекое прошлое, демонстрируя неутолимое стремление человека автоматизировать процесс мышления. Одним из ранних, хотя и механических, предвестников ЭС можно считать устройства С.Н. Корсакова, созданные в 1832 году. Они использовали перфорированные карты для поиска решений путем сравнения признаков, что по своей сути является прототипом механизма вывода. Однако настоящий расцвет ЭС как самостоятельного направления в искусственном интеллекте пришелся на 1980-е годы. Именно в этот период были созданы и получили широкое распространение многие знаковые экспертные системы, ставшие вехами в развитии ИИ.

Среди наиболее известных разработок 1970-х и 1980-х годов выделяются:

• MYCIN (середина 1970-х, Стэнфордский университет): Эта ранняя медицинская экспертная система была разработана для диагностики бактериальных инфекций крови и рекомендации адекватных антибиотиков, а также для диагностики заболеваний свертываемости крови. MYCIN оперировала примерно 600 правилами, демонстрируя впечатляющую эффективность в 69% случаев, что было сопоставимо с уровнем квалифицированных врачей.
• DENDRAL (ранние 1970-е, Стэнфордский университет): Признанная первой экспертной системой, DENDRAL была создана для идентификации органических соединений на основе частичной информации, преимущественно данных масс-спектрометрии и ядерно-магнитного резонанса. Она стала пионером в применении ИИ для решения сложных научных задач.
• PROSPECTOR (разрабатывалась SRI International с 1974 по 1983 год): Эта система была предназначена для геологической разведки месторождений полезных ископаемых. PROSPECTOR успешно использовалась для выявления потенциальных месторождений руд, основываясь на геологических данных и экспертных знаниях.
• INTERNIST (Питтсбургский университет): Еще одна медицинская система, которая помогала в постановке диагноза по наблюдаемым симптомам, работая в обширной области внутренней медицины.
• R1 (XCON) (начало 1980-х): Одна из первых по-настоящему успешных промышленных экспертных систем, разработанная для автоматизации конфигурации вычислительных систем семейства VAX (Digital Equipment Corporation). Её коммерческая версия XCON была интегрирована во многие производственные процессы, значительно повышая эффективность и сокращая ошибки при сборке сложных компьютерных систем.

Эти и многие другие системы не только продемонстрировали практическую применимость ЭС, но и заложили основу для дальнейших исследований и разработок в области искусственного интеллекта, показав, что машины могут не только считать, но и «думать», помогая человеку в самых сложных интеллектуальных задачах.

Архитектура и компоненты ЭС

Чтобы экспертная система могла эффективно выполнять свою главную задачу — эмулировать рассуждения человеческого эксперта, она должна обладать четко структурированной архитектурой. Базовая архитектура экспертной системы включает в себя ряд взаимосвязанных компонентов, каждый из которых играет свою уникальную роль в процессе обработки информации и выработки решений.

Основные компоненты экспертной системы:

1. База знаний (БЗ): Это центральное хранилище всех формализованных знаний, извлеченных у специалистов-экспертов. В отличие от традиционной базы данных, где информация хранится в виде простых фактов, в БЗ единицы информации связаны между собой сложными отношениями и понятиями внешнего мира. Она содержит:
   • Факты: Исходные данные и утверждения о предметной области.
   • Правила: Логические конструкции, описывающие взаимосвязи между фактами и шаги для получения новых заключений (например, «ЕСЛИ <условие>, ТО <действие>»).
   • Управляющие знания: Правила, определяющие порядок применения других правил и стратегию поиска решения.
   • Метазнания: Знания о знаниях, то есть информация о том, как и когда использовать определенные правила или факты.
2. Механизм логического вывода (машина вывода): Это «мозг» экспертной системы. Его задача — обрабатывать знания из БЗ, применяя логические операции к имеющимся фактам и правилам для формирования новых заключений и в конечном итоге получения решения. Механизм вывода осуществляет поиск по базе знаний, используя различные стратегии, такие как прямой (от данных к цели) или обратный (от цели к данным) вывод.
3. Подсистема объяснений: Один из важнейших компонентов, отличающих экспертные системы от обычных алгоритмов. Эта подсистема позволяет системе показать пользователю логическую цепочку своих рассуждений, объясняя, почему было принято то или иное решение, или почему был задан определенный вопрос. Это повышает прозрачность работы ЭС и доверие пользователя к её рекомендациям.
4. Интерфейс пользователя: Обеспечивает эффективный и удобный диалог между человеком и системой. Интерфейс может быть реализован с использованием различных средств:
   • Естественный язык: Позволяет пользователю взаимодействовать с системой на обычном человеческом языке.
   • Графика: Визуализирует информацию, облегчая восприятие сложных данных и результатов.
   • Меню и формы: Предоставляют структурированный способ ввода данных и выбора опций.
5. Модуль приобретения знаний (рабочее место инженера по знаниям): Этот компонент предназначен для пополнения и корректировки базы знаний. Он помогает экспертам формализовать свои знания и вводить их в систему, а инженерам по знаниям — структурировать и оптимизировать БЗ. Процесс приобретения знаний часто является наиболее сложным и трудоемким этапом в создании ЭС, так как требует от эксперта не только передачи знаний, но и объяснения глубинных механизмов своих рассуждений.

Эта архитектура позволяет экспертной системе не только хранить огромные объемы знаний, но и эффективно применять их для решения сложных задач, объясняя свои действия и постоянно развиваясь.

Модели представления знаний в ЭС

Представление знаний — это ключевой аспект построения любой экспертной системы. От того, насколько адекватно и эффективно знания эксперта будут формализованы и структурированы, зависит работоспособность и производительность всей системы. В базе знаний (БЗ) экспертных систем могут использоваться различные модели представления знаний, каждая из которых имеет свои особенности, преимущества и области применения.

К основным моделям представления знаний относятся:

1. Продукции (продукционные правила): Это наиболее распространенная и интуитивно понятная модель представления знаний, которая описывает знания в виде правил типа «ЕСЛИ <условие>, ТО <действие>».
   • Условие (антецедент): Представляет собой предложение-образец, которое механизм вывода ищет в текущем состоянии базы фактов или задает вопросы пользователю. Оно описывает ситуацию, при которой правило может быть активировано.
   • Действие (консеквент): Набор операций, которые выполняются, если условие истинно. Внутри консеквента могут генерироваться новые факты, изменяться текущее состояние системы или выдаваться рекомендации.
   • Пример: «ЕСЛИ пациент испытывает высокую температуру И кашель, ТО подозревать грипп». Продукционные правила хорошо подходят для представления процедурных знаний и последовательности действий.
2. Фреймы: Эта модель, предложенная Марвином Минским в 1979 году, представляет собой структуры для описания стереотипной ситуации, объекта или концепции. Фрейм можно рассматривать как шаблон, который содержит множество характеристик, называемых слотами, и их значений.
   • Структура: Фреймовая система знаний организована иерархически в сеть, где узлы соответствуют понятиям, а связи — отношениям между ними. Каждый фрейм может быть дополнен новой информацией и имеет несколько уровней: на верхнем уровне хранится базовая, общая информация о состоянии объекта, а на нижних уровнях (слотах) — конкретные значения атрибутов или ссылки на другие фреймы.
   • Отличие от БД: В отличие от баз данных, которые хранят энциклопедические знания в плоских таблицах или иерархиях, фреймы ориентированы на представление конкретных ситуаций и организацию знаний в виде концептуальных структур, позволяя использовать наследование свойств и дефолтные значения.
   • Пример: Фрейм «Автомобиль» может иметь слоты «Марка» (значение: «Audi»), «Модель» (значение: «A4»), «Цвет» (значение: «Серебристый»), «Двигатель» (ссылка на фрейм «Двигатель»).
3. Семантические сети: Это информационные модели предметной области, представленные в виде ориентированного графа.
   • Структура: В семантической сети вершины (узлы) соответствуют объектам, понятиям, событиям, свойствам или процессам в предметной области, а дуги (ребра) задают отношения между ними.
   • Отношения: Семантические сети используют известные взаимосвязи слов для создания категорий, таких как синонимы или гипонимы. Например, отношение ISA (от англ. «Is A», «является») или A Kind Of («разновидность») связывает более частное понятие (гипоним) с более общим (гиперонимом).
   • Пример: «Собака» (узел) — [ISA] → «Млекопитающее» (узел). «Имеет часть» → «Лапа». Семантические сети позволяют эффективно представлять структурные и концептуальные связи между сущностями, а также специализированные методы решения задач. Они хорошо подходят для областей, где важно явно указать взаимосвязи между элементами знаний.

Выбор модели представления знаний — это самый сложный этап создания экспертной системы. Он требует от эксперта не только передачи своих знаний, но и детального объяснения логики своих рассуждений, причинно-следственных связей и правил принятия решений. Эффективная формализация знаний лежит в основе успеха любой ЭС.

Теоретические основы баз данных (БД) и систем управления базами данных (СУБД)

Понятие и историческое развитие БД и СУБД

В основе любой современной информационной системы лежит один из самых фундаментальных элементов — база данных. База данных (БД) — это не просто хранилище информации, а упорядоченная, структурированная совокупность данных, хранящихся в памяти вычислительной системы. Она тщательно отображает состояние объектов и их взаимосвязей в рассматриваемой предметной области, представляя собой организованный набор данных, которым можно эффективно управлять для обеспечения легкого доступа, изменения и всестороннего анализа информации.

Предпосылки появления баз данных коренятся в насущной необходимости хранить и обрабатывать постоянно растущие объемы данных, а также разрабатывать методы их совместного использования многочисленными пользователями. До появления БД информация часто хранилась в разрозненных файлах, что приводило к избыточности, несогласованности и сложностям при доступе.

Хотя автоматизированная обработка данных берет свое начало примерно в 1800 году с изобретением перфокарт, первые базы данных в современном их понимании появились лишь в 1950-х годах с развитием магнитных дисков, которые позволили организовать прямой доступ к данным, в отличие от последовательного доступа на магнитных лентах. Концепция БД окончательно сложилась к концу 1960-х годов.

Знаковыми событиями в истории развития стали:

• 1968 год: IBM совместно с NAA (North American Aviation) ввела в эксплуатацию первую промышленную систему управления базами данных (СУБД) — иерархическую систему IMS (Information Management System). Она была разработана для обработки сложных спецификаций изделий ракетоносителя «Сатурн-5» и шаттла «Аполлон», став пионером в управлении большими иерархически структурированными данными.
• Середина 1960-х годов: Появилась система IDS (Integrated Data Store) фирмы General Electric. Эта разработка привела к созданию сетевых СУБД, которые предлагали большую гибкость в связях между данными по сравнению с иерархическими моделями.

Недостатки ранних файловых систем, такие как трудности с одновременной модификацией данных несколькими пользователями, отсутствие централизованного контроля и высокие требования к программистам для создания каждой новой программы обработки данных, стали мощным стимулом для разработки специализированных систем управления базами данных.

Роль БД в информационных системах сегодня является ключевой. База данных — это центральный компонент любой информационной системы, будь то корпоративный портал, банковская система или мобильное приложение. Она используется для хранения, организации и обработки различных типов данных, от текстовой информации до мультимедийных файлов. Хорошо структурированная и управляемая информация в БД позволяет беспроблемно эксплуатировать систему, выполнять текущее обслуживание, а также эффективно модифицировать и развивать ее, адаптируя к новым требованиям и вызовам.

Система управления базами данных (СУБД), в свою очередь, представляет собой комплекс языковых и программных средств, предназначенный для создания, ведения и совместного использования БД многими пользователями. СУБД выполняет ряд критически важных функций:

• Обеспечивает контролируемый доступ к данным.
• Контролирует изменение данных, поддерживая их целостность.
• Позволяет выполнять сложные запросы на извлечение данных.
• Предоставляет механизмы для резервного копирования и восстановления.
• Управляет параллельным доступом и безопасностью данных.

Таким образом, БД и СУБД являются фундаментом современного информационного мира, обеспечивая надежное хранение и эффективное управление данными, без которых немыслимо функционирование ни одной сложной информационной системы.

Модели данных и их характеристики

Модель данных — это краеугольный камень любой системы управления базами данных (СУБД). Она представляет собой формальную теорию представления и обработки данных, охватывающую три ключевых аспекта: структуру, манипуляции и целостность данных. Аспект структуры определяет логическое представление базы данных, то есть как данные организованы и взаимосвязаны. Аспект манипуляции описывает способы изменения и извлечения данных. Аспект целостности определяет средства описания и поддержки корректных состояний БД, предотвращая их искажение.

На протяжении истории развития СУБД было разработано множество моделей данных, каждая из которых имеет свои уникальные характеристики, преимущества и области применения. К основным моделям представления данных относятся:

1. Реляционная модель:
   • Характеристика: Организует данные в виде двумерных таблиц (отношений), состоящих из строк (записей, кортежей) и столбцов (атрибутов, полей). Связи между таблицами устанавливаются через общие поля, называемые ключами (первичные и внешние).
   • История и популярность: Концепция была сформулирована Эдгаром Коддом в 1969—1970 годах. К 2000-м годам реляционные СУБД (РСУБД) доминировали на рынке, и их популярность продолжает расти. В 2023 году глобальный размер рынка реляционных баз данных был оценен в 62,76 млрд долларов США и, по прогнозам, вырастет до 146,64 млрд долларов США к 2031 году.
   • Примеры: Oracle Database (30,2% рынка в мае 2021 года), MySQL (16,65%), Microsoft SQL Server (13,21%), PostgreSQL, IBM Db2, SQLite, MariaDB.
   • Преимущества: Высокая степень логической независимости данных, гибкость в формировании запросов, поддержка строгих ограничений целостности, хорошо развитый теоретический аппарат.
2. Иерархическая модель:
   • Характеристика: Данные организованы в виде древовидной иерархии, где каждый дочерний элемент может иметь только одного родителя. Это упрощает организацию и доступ к данным, но ограничивает гибкость при необходимости отображения сложных связей «многие ко многим».
   • Пример: Система IMS от IBM, разработанная в 1960-х.
   • Преимущества: Эффективность для строго иерархически структурированных данных, быстрый доступ по заранее определенным путям.
3. Сетевая модель:
   • Характеристика: Развитие иерархической модели, позволяющая одному дочернему элементу иметь несколько родительских. Это создает более сложную, но и более гибкую структуру связей между данными.
   • Пример: Система IDS от General Electric.
   • Преимущества: Лучше справляется со сложными связями, чем иерархическая, но все еще требует тщательного планирования структуры.
4. Объектно-ориентированная модель:
   • Характеристика: Каждый объект включает в себя как данные (атрибуты), так и методы для их обработки (поведение). Поддерживает концепции наследования, полиморфизма и инкапсуляции.
   • Преимущества: Удобна для приложений со сложной логикой, манипуляциями с мультимедиа, 3D-моделями и CAD-системами, обеспечивает лучшую инт��грацию с объектно-ориентированными языками программирования.
5. Колоночные БД (Columnar Databases):
   • Характеристика: Хранят данные в виде колонок, а не строк. При запросе к определенным столбцам считываются только нужные колонки, что значительно ускоряет аналитические запросы.
   • Преимущества: Идеальны для аналитики больших объемов данных (OLAP), агрегирования и отчетности, поскольку запросы часто обращаются к подмножеству столбцов.
6. NewSQL БД:
   • Характеристика: Представляют собой новое поколение СУБД, которые сочетают надежность, консистентность и строгую модель транзакций (ACID-свойства) реляционных баз данных с горизонтальной масштабируемостью (способностью распределяться по множеству серверов) NoSQL решений.
   • Преимущества: Предназначены для работы в распределенных системах, обрабатывающих высоконагруженные транзакционные приложения, где требуется как производительность, так и гарантии целостности данных.

Каждая из этих моделей имеет свою нишу и оптимально подходит для решения определенных типов задач, но реляционная модель по-прежнему остается наиболее универсальной и широко используемой в большинстве приложений благодаря своей гибкости и надежности.

Целостность данных и нормализация

В мире баз данных, где информация является ключевым активом, принципиальное значение имеет её качество. Концепция целостности данных — это свойство, которое гарантирует, что информация в базе данных является правильной, точной и полной. Поддержание целостности данных критически важно для надежности системы, предотвращения ошибок и обеспечения достоверности принимаемых на основе этих данных решений. Целостность достигается с помощью различных ограничений целостности, таких как:

• Primary Key (первичный ключ): Уникально идентифицирует каждую запись в таблице, гарантируя, что каждая строка неповторима и содержит осмысленное значение.
• Foreign Key (внешний ключ): Устанавливает связи между таблицами, ссылаясь на первичный ключ другой таблицы. Обеспечивает ссылочную целостность, предотвращая создание «потерянных» записей.
• Unique Constraint (ограничение уникальности): Гарантирует, что все значения в определенном столбце или наборе столбцов уникальны, но в отличие от первичного ключа, допускает значения NULL.
• Check Constraint (ограничение проверки): Определяет правила, которым должны соответствовать значения в столбце (например, возраст должен быть положительным числом).

Однако для поддержания целостности данных и оптимизации структуры базы данных существует более глубокий и систематический процесс, называемый нормализацией. Нормализация — это процесс организации данных для минимизации избыточности и обеспечения целостности информации. Цель нормализации состоит в том, чтобы разбить большие таблицы на более мелкие, связанные таблицы, что уменьшает дублирование данных и защищает их от аномалий при вставке, обновлении и удалении. Нормализация делится на несколько этапов, называемых нормальными формами (НФ), каждая из которых накладывает более строгие правила на структуру таблицы.

Основные нормальные формы включают:

1. Первая нормальная форма (1НФ):
   • Условие: Таблица находится в 1НФ, если она удовлетворяет следующим требованиям:
     • Не содержит дублирующих строк (каждая строка уникальна).
     • В каждой ячейке хранится атомарное (неделимое) значение. Это означает, что одно поле не может содержать список значений, массив или другой сложный объект.
     • В столбце хранятся данные одного типа.
     • Каждая таблица должна иметь уникальный первичный ключ.
   • Пример: Таблица «Заказы» с полем «Товары», содержащим список товаров через запятую, не находится в 1НФ. Чтобы привести её в 1НФ, нужно создать отдельную таблицу «ДеталиЗаказа», где каждая строка будет содержать один товар из заказа.
2. Вторая нормальная форма (2НФ):
   • Условие: Таблица должна находиться в 1НФ, иметь ключ, и все неключевые столбцы должны зависеть от полного первичного ключа (если он составной), а не от его части. Это устраняет частичные функциональные зависимости.
   • Пример: Если первичный ключ состоит из «НомерЗаказа» и «КодТовара», а поле «НазваниеТовара» зависит только от «КодТовара» (части ключа), то таблица не в 2НФ. «НазваниеТовара» следует вынести в отдельную таблицу «Товары» с первичным ключом «КодТовара».
3. Третья нормальная форма (3НФ):
   • Условие: Таблица должна находиться во 2НФ, и все неключевые атрибуты должны зависеть только от первичного ключа, а не от других неключевых атрибутов. Это устраняет транзитивные зависимости.
   • История: 3НФ была сформулирована Э.Ф. Коддом в 1971 году.
   • Пример: В таблице «Сотрудники» поле «Отдел» зависит от «НомерСотрудника» (первичный ключ), а поле «ТелефонОтдела» зависит от «Отдел». В этом случае «ТелефонОтдела» транзитивно зависит от «НомерСотрудника». Для 3НФ «ТелефонОтдела» и «Отдел» следует вынести в отдельную таблицу «Отделы».
4. Нормальная форма Бойса-Кодда (НФБК):
   • Условие: Более строгий вариант 3НФ, предложенный Бойсом и Эдгаром Ф. Коддом в 1974 году. Таблица находится в НФБК, если каждая нетривиальная функциональная зависимость обладает потенциальным ключом, который выполняет роль детерминанта. Это означает, что каждый детерминант (атрибут, от которого зависят другие атрибуты) должен быть потенциальным ключом.
   • Преимущества: НФБК исправляет аномалии, которые могут возникать в 3НФ из-за перекрывающихся ключей. Любое отношение, находящееся в НФБК, автоматически находится и в 3НФ, но обратное не всегда верно.

Нормализация является краеугольным камнем качественного проектирования баз данных, обеспечивая их надежность, гибкость и производительность в долгосрочной перспективе.

Архитектура баз данных

Эффективное функционирование сложных информационных систем, основанных на использовании баз данных, невозможно без четко определенной архитектуры, которая регулирует взаимодействие между различными компонентами системы и пользователями. В настоящее время общепринятой является трехуровневая модель архитектуры БД, предложенная американским комитетом по стандартизации ANSI (American National Standards Institute) и его комитетом SPARC (Standards Planning and Requirements Committee) в 1975 году. Эта архитектура, известная как ANSI-SPARC, стала стандартом де-факто и обеспечивает логическую и физическую независимость данных, что является фундаментальным принципом современных СУБД.

Трехуровневая архитектура ANSI-SPARC включает в себя три уровня представления данных:

1. Внешний (пользовательский) уровень:
   • Назначение: Этот уровень представляет данные с точки зрения конечных пользователей и приложений. Он описывает только ту часть базы данных, которая является актуальной и интересной для конкретного пользователя или приложения.
   • Функциональность: Для каждого пользователя или группы пользователей может быть определено свое «внешнее представление» или «подсхема» (view), которое скрывает ненужные детали и предоставляет данные в наиболее удобном для работы формате. Например, менеджер по продажам видит только данные о клиентах и заказах, а не о зарплатах сотрудников.
   • Ключевой аспект: Обеспечивает логическую независимость данных. Это означает, что изменения в концептуальной схеме (например, добавление нового атрибута в таблицу) не должны требовать переписывания прикладных программ, использующих внешние представления, если эти изменения не затрагивают непосредственно их.
2. Концептуальный (логический) уровень:
   • Назначение: Является центральным звеном архитектуры. Он определяет общую логическую структуру всей базы данных, представляя её как единое целое. Этот уровень описывает все сущности предметной области, их атрибуты, связи между сущностями и все ограничения целостности, которые должны соблюдаться в БД.
   • Функциональность: На этом уровне создается модель предметной области, независимая от способа физического хранения данных и от специфики конкретных приложений. Он служит своего рода «мостом» между внешним и внутренним уровнями, объединяя различные внешние представления в единую, непротиворечивую модель.
   • Ключевой аспект: Не зависит от физического способа хранения данных. Он фокусируется на том, ЧТО хранится в базе данных, а не на том, КАК это хранится.
3. Внутренний (физический) уровень:
   • Назначение: Этот уровень занимается непосредственно физической организацией данных на носителях информации. Он определяет, как именно данные хранятся на дисках, какие индексы используются для ускорения доступа, как организованы файлы, как выполняется управление дисковой памятью и буферизация.
   • Функциональность: Скрывает от концептуального уровня все детали физического хранения данных. Например, СУБД может решить хранить одну таблицу в нескольких файлах или, наоборот, несколько таблиц в одном файле, и это не повлияет на концептуальное представление.
   • Ключевой аспект: Обеспечивает физическую независимость данных. Это означает, что изменения в физической структуре хранения данных (например, смена типа дисков, изменение организации файлов) не должны влиять на концептуальную схему или внешние представления, и, следовательно, не требовать модификации прикладных программ.

Взаимодействие уровней:
Между каждым уровнем существуют отображения (маппинги), которые преобразуют запросы и данные. Например, запрос с внешнего уровня преобразуется в запрос для концептуального уровня, который затем трансформируется в операции на внутреннем уровне. Результаты, полученные с внутреннего уровня, проходят обратный путь преобразования, чтобы быть представленными пользователю в соответствующем внешнем представлении.

Эта трехуровневая архитектура позволяет разработчикам баз данных гибко управлять изменениями, изолировать различные аспекты работы с данными и создавать надежные, масштабируемые информационные системы.

Проектирование баз данных

Жизненный цикл и основные этапы проектирования БД

Проектирование базы данных — это не просто техническая задача, а стратегический процесс, представляющий собой набор шагов, которые помогают не только создавать, но и эффективно внедрять и поддерживать системы управления данными. Главная цель этого процесса — адекватное отражение сути предметной области внутри базы данных для её последующей автоматизации. Хорошо спроектированная БД является основой для надежной, масштабируемой и производительной информационной системы.

Жизненный цикл разработки базы данных традиционно можно разделить на три основные фазы, каждая из которых включает в себя ряд детализированных этапов:

1. Анализ требований:
   • Суть: На этом начальном этапе происходит глубокое погружение в предметную область. Проектировщики тесно взаимодействуют с будущими пользователями и экспертами, чтобы понять, какие данные будут храниться, как они будут использоваться, какие запросы будут выполняться, какие отчеты генерироваться, и какие ограничения целостности должны соблюдаться.
   • Результат: Формирование исчерпывающего технического задания и функциональных требований к базе данных.
2. Проектирование базы данных:
   • Суть: Это основной этап, на котором абстрактные требования преобразуются в конкретную логическую и физическую структуру БД.
   • Основные этапы проектирования:
     • Определение сущностей: Начинается с создания черновой модели предметной области. Выявляются ключевые объекты (сущности), которые необходимо хранить в базе данных. Например, для системы учета студентов это могут быть сущности «Студент», «Преподаватель», «Дисциплина», «Оценка».
     • Разработка ER-диаграмм (диаграмм «сущность-связь»): На этом этапе сущности и связи между ними визуализируются. ER-диаграммы графически показывают, какие данные будут храниться, как они взаимосвязаны (один-к-одному, один-ко-многим, многие-ко-многим) и какие атрибуты принадлежат каждой сущности. Это мощный инструмент для моделирования данных на концептуальном уровне.
     • Определение атрибутов для каждой сущности: Для каждой выявленной сущности определяются её характеристики (атрибуты). Например, для сущности «Студент» атрибутами могут быть «ФИО», «ДатаРождения», «НомерЗачетки», «Факультет». Важно определить тип данных для каждого атрибута (текстовый, числовой, дата и т.д.).
     • Определение первичных и внешних ключей: Для каждой сущности (которая станет таблицей) определяется первичный ключ, уникально идентифицирующий каждую запись. Затем устанавливаются внешние ключи для реализации связей между сущностями.
     • Нормализация таблиц: Это критически важный процесс организации данных для минимизации избыточности и обеспечения целостности информации. Он включает приведение таблиц к различным нормальным формам (1НФ, 2НФ, 3НФ, НФБК), что помогает устранить аномалии и улучшить структуру БД.
3. Внедрение (реализация) базы данных:
   • Суть: На этом этапе происходит создание базы данных в выбранной системе управления базами данных (СУБД), загрузка данных, разработка прикладного программного обеспечения и тестирование.
   • Этапы:
     • Выбор СУБД (например, MySQL, PostgreSQL, Oracle).
     • Создание схем таблиц, индексов, ограничений целостности.
     • Разработка программных модулей для ввода, редактирования, удаления данных.
     • Создание запросов и отчетов для извлечения информации.
     • Разработка пользовательского интерфейса.
     • Тестирование и отладка системы.

Соблюдение всех этих этапов и правил проектирования обеспечивает создание долговечной, эффективной и легко обслуживаемой базы данных, способной стать надежной основой для любой информационной системы.

Подходы к проектированию БД

Проектирование баз данных — это комплексная задача, требующая систематизированного подхода. На протяжении десятилетий разработано несколько методологий, которые помогают структурировать процесс создания БД. Среди них выделяют «нисходящий» (top-down) и «восходящий» (bottom-up) подходы, а также «смешанный подход», комбинирующий их преимущества.

1. «Нисходящий» (Top-Down) подход:
   • Суть: Этот метод начинается с изучения общей предметной области во всей её полноте, а затем последовательно делит её на составные части, которые детализируются на каждом следующем уровне. Это движение от общего к частному, от абстрактного к конкретному.
   • Процесс: Проектирование начинается с высокоуровневых концепций и сущностей, таких как «Клиент», «Продукт», «Заказ». Затем для каждой сущности определяются атрибуты, и устанавливаются связи между сущностями. Этот подход хорошо демонстрируется в концепции модели «сущность-связь» (ER-модель), где сначала создается общая ER-диаграмма, а затем она постепенно детализируется.
   • Преимущества:
     • Более подходит для проектирования сложных баз данных с большим количеством взаимосвязанных сущностей, поскольку обеспечивает целостное видение системы с самого начала.
     • Позволяет лучше понять бизнес-процессы и требования пользователей на ранних этапах.
     • Помогает избежать фрагментации и обеспечивает более логичную структуру данных.
   • Область применения: Крупные корпоративные системы, ERP, CRM, где требуется глубокое понимание всей предметной области.
2. «Восходящий» (Bottom-Up) подход:
   • Суть: Этот подход начинается с анализа мельчайших элементов данных — атрибутов (свойств сущностей и связей). Затем эти атрибуты группируются в отношения (таблицы) на основе существующих между ними функциональных зависимостей. Это движение от частного к общему, от деталей к структуре.
   • Процесс: Основным инструментом «восходящего» проектирования является процесс нормализации. Проектировщик начинает с необработанных данных, выявляет функциональные зависимости между атрибутами, а затем создает нормализованные таблицы, устраняя избыточность и аномалии. Например, выявляются все отдельные элементы данных, затем они группируются в таблицы, и эти таблицы приводятся к нормальным формам.
   • Преимущества:
     • Наиболее эффективен для проектирования простых баз данных с небольшим количеством атрибутов, где предметная область хорошо изучена и имеет относительно простую структуру.
     • Позволяет сосредоточиться на деталях данных и их зависимостях.
     • Удобен, когда есть готовые, но неструктурированные наборы данных, которые нужно организовать.
   • Область применения: Небольшие приложения, анализ и реорганизация существующих, но плохо структурированных данных.
3. «Смешанный подход»:
   • Суть: Является наиболее реалистичным и часто используемым на практике, поскольку комбинирует методы «восходящего» и «нисходящего» проектирования. Проектировщик может применять «нисходящий» подход для высокоуровневой архитектуры и определения основных сущностей, а затем использовать «восходящий» подход (например, нормализацию) для детализации отдельных частей модели или обработки уже существующих данных.
   • Процесс: Начинается с определения глобальной структуры (нисходящий), затем отдельные подсистемы или модули детализируются (восходящий), а затем все фрагменты интегрируются в единую, согласованную структуру.
   • Преимущества:
     • Позволяет использовать сильные стороны обоих подходов, адаптируясь к сложности предметной области и доступности информации.
     • Обеспечивает гибкость в процессе проектирования.
     • Часто приводит к более оптимальным и сбалансированным решениям.
   • Область применения: Большинство реальных проектов по разработке баз данных.

Выбор подхода к проектированию БД зависит от множества факторов, включая размер и сложность системы, доступность экспертов, объем и качество исходных данных, а также временные и ресурсные ограничения проекта.

Принципы и правила эффективного проектирования БД

Эффективное проектирование базы данных — это искусство, основанное на строгих принципах и правилах, которые обеспечивают долгосрочную целостность, точность, полноту данных и упрощают обслуживание системы. Пренебрежение этими правилами может привести к избыточности, аномалиям, низкой производительности и высоким затратам на поддержку. При создании БД рекомендуется придерживаться следующего свода правил:

1. Избегание избыточности данных:
   • Принцип: Каждый факт должен быть записан в базе данных только один раз.
   • Практика: Повторяющиеся данные (например, имя клиента, которое встречается в каждой строке заказа) следует выносить в отдельные таблицы. Избыточность не только занимает больше места, но и является основной причиной аномалий при обновлении, вставке и удалении данных.
   • Пример: Вместо того чтобы хранить полное название отдела в каждой записи о сотруднике, создайте отдельную таблицу «Отделы» с уникальным идентификатором отдела и его названием, а в таблице «Сотрудники» храните только идентификатор отдела.
2. Точность и полнота информации:
   • Принцип: БД должна содержать только точную, актуальную и полную информацию, необходимую для выполнения бизнес-функций и получения надежного анализа и отчетности.
   • Практика: Внедрение механизмов проверки входных данных, использование строгих типов данных, ограничений целостности и актуализация информации.
3. Определение первичных ключей:
   • Принцип: Каждая таблица должна иметь уникальный первичный ключ (Primary Key), который однозначно идентифицирует каждую строку.
   • Практика: Первичный ключ может быть одним полем или комбинацией нескольких полей. Желательно использовать искусственные ключи (ID, Num), которые не имеют смысловой нагрузки и не меняются.
   • Пример: В таблице «Клиенты» поле «ID_Клиента» будет первичным ключом.
4. Атомарность значений:
   • Принцип: Каждая ячейка таблицы должна хранить атомарное (неделимое) значение.
   • Практика: Каждый элемент данных, который потенциально может быть использован для отчетов, сортировки, поиска или вычислений, должен находиться в отдельном столбце. Нельзя хранить списки значений в одной ячейке.
   • Пример: Поле «Адрес» лучше разбить на «Улица», «Дом», «Квартира», «Город», «Индекс», чем хранить всю информацию в одной строке.
5. Соответствие данных теме таблицы:
   • Принцип: Данные в каждом столбце должны строго соответствовать теме таблицы.
   • Практика: Если столбец содержит информацию, не имеющую прямого отношения к сущности, описываемой таблицей, его следует переместить в другую, более подходящую таблицу.
   • Пример: В таблице «Продукты» не должно быть полей, описывающих свойства поставщика продукта, для этого должна быть отдельная таблица «Поставщики».
6. Настройка связей между таблицами:
   • Принцип: Все связи между таблицами (один-к-одному, один-ко-многим, многие-ко-многим) должны быть четко определены и реализованы.
   • Практика: Связи реализуются с помощью общих полей (внешних ключей) или вспомогательных таблиц (для связей «многие-ко-многим»).
   • Пример: Связь «Заказ» и «Продукт» (многие-ко-многим) реализуется через промежуточную таблицу «ДеталиЗаказа», где каждая строка связывает один заказ с одним продуктом.
7. Применение правил нормализации:
   • Принцип: После определения сущностей, атрибутов и связей, таблицы должны быть приведены к соответствующим нормальным формам (1НФ, 2НФ, 3НФ, НФБК).
   • Практика: Нормализация используется для минимизации избыточности, обеспечения целостности данных, устранения аномалий и повышения производительности запросов. Выбор уровня нормализации зависит от конкретных требований к производительности и гибкости.

В процессе проектирования студенты получают бесценный опыт, овладевая всеми этапами разработки реляционных баз данных: от определения сущностей, атрибутов и связей до проведения нормализации таблиц, выбора оптимальной СУБД, разработки программ для ввода данных, организации сложных запросов, получения информативных отчетов и создания удобного пользовательского интерфейса. Эти навыки являются фундаментальными для любого специалиста в области информационных технологий.

Интеграция СППР, ЭС и БД в процесс обучения информатике на пропедевтическом уровне: методические аспекты

Цели и задачи пропедевтического курса информатики

В современном мире, стремительно погружающемся в цифровую реальность, понимание основ информатики становится таким же фундаментальным навыком, как чтение и письмо. Особую роль в этом процессе играет пропедевтический курс обучения информатике. Он является вариативной частью блока дисциплин и формирует первоначальные, базовые представления о свойствах информации, способах работы с ней, в частности с использованием компьютера. Его ключевая задача — подготовить детей к восприятию более сложного учебного материала в основной школе, сформировав у них «язык информатики» — систему понятий и методов, которая позволит им ориентироваться в мире цифровых технологий.

Рабочая программа по информатике для начальной школы (2-4 классы) составляется на основе Федерального государственного образовательного стандарта (ФГОС) начального общего образования. Согласно обновленному ФГОС, информатика как отдельный предмет в начальной школе может изучаться со II по IV классы по 1 часу в неделю. Это происходит за счет части базисного учебного плана, формируемого участниками образовательного процесса. При этом в учебном предмете «Технология» обязательно включается раздел «Практика работы на компьютере», что подчеркивает прикладную направленность обучения.

Пропедевтический курс информатики рекомендуется изучать до 7 класса общеобразовательной школы, с естественным разбиением на начальную школу и 5-7 классы. Он призван не только формировать основы информационной культуры, но и стать стержнем всего начального образования в части развития ИКТ-компетентности и универсальных учебных действий (УУД). Таким образом, информатика на этом этапе имеет интегративный, межпредметный характер, пронизывая собой различные области знаний и способствуя формированию целостной картины мира у учащихся.

Основные цели обучения информатике на пропедевтическом уровне включают:

1. Формирование первоначальных представлений о свойствах информации: Учащиеся должны понять, что такое информация, каковы её виды (текстовая, графическая, числовая, звуковая), как она хранится, передается и обрабатывается.
2. Освоение способов работы с информацией: Практическое знакомство с основными инструментами для обработки информации, включая текстовые редакторы, графические редакторы, простейшие электронные таблицы и, что особенно важно для нашей темы, начальные представления о базах данных.
3. Развитие навыков использования компьютера и других ИКТ-средств: Ознакомление с основными устройствами компьютера, правилами безопасной работы, навыками поиска информации в интернете и использования базовых программных приложений.
4. Ознакомление с современным информационным обществом: Формирование понимания роли информационных технологий в повседневной жизни, профессиональной деятельности и обществе в целом.
5. Формирование основ информационной безопасности: Привитие навыков безопасного поведения в цифровой среде, понимание угроз и способов их предотвращения.

В контексте нашей курсовой работы, пропедевтический уровень становится тем полем, где закладываются фундаменты для понимания более сложных систем, таких как СППР и ЭС. Хотя эти понятия напрямую не изучаются в начальной школе, опосредованное знакомство с принципами организации данных, логического вывода и принятия решений через игровые формы и простые задачи закладывает базу для их дальнейшего освоения.

Методические подходы к преподаванию СППР, ЭС и БД

Интеграция сложных концепций систем поддержки принятия решений (СППР), экспертных систем (ЭС) и баз данных (БД) в процесс обучения информатике на пропедевтическом уровне требует тщательно разработанных методических подходов. Цель состоит не в том, чтобы углубляться в математические модели или архитектурные нюансы, а в том, чтобы сформировать у обучающихся, особенно студентов педагогических и технических вузов, готовящихся преподавать информатику, интуитивное понимание этих систем и практические навыки работы с ними.

1. Постепенное введение понятий через аналогии и примеры:
   • СППР: Вместо сложного определения, можно начать с примеров из повседневной жизни. Например, как родители выбирают маршрут для поездки (анализ карт, пробок, времени) или как выбирается фильм для просмотра (жанр, рейтинг, актеры). Это создает интуитивное понимание процесса принятия решений на основе различных факторов, что является сущностью СППР. Для студентов-педагогов можно предложить разработать упрощенные модели «СППР» для школьников, например, систему выбора книги для чтения на основе интересов или решения проблемы с домашним заданием.
   • ЭС: Представлять ЭС через знакомые ситуации. Например, «умный помощник», который «знает» правила игры или «доктор», который «умеет» ставить диагноз по симптомам (викторины, квесты). Для студентов можно предложить создать мини-ЭС на простых правилах «ЕСЛИ-ТО» для диагностики простых школьных проблем (например, «ЕСЛИ компьютер не включается И нет света, ТО проверить розетку»).
   • БД: Начинать с аналогии с обычной картотекой, классным журналом или телефонной книгой. Объяснить, как данные упорядочиваются, чтобы их было легко найти.
2. Игровые и проектные методики для пропедевтического уровня:
   • Создание «простых баз данных»: Использование табличных процессоров (например, Excel) для создания простейших баз данных (список учеников, их оценки, хобби). Это позволяет понять принципы строк, столбцов, уникальных идентификаторов.
   • «Экспертные игры»: Ролевые игры, где ученик выступает в роли эксперта, а другой — в роли системы, задающей вопросы по заранее определенным правилам (например, «Угадай животное», «Определи вид растения»).
   • Визуализация данных: Использование графиков и диаграмм для представления информации, что закладывает основы понимания функций СППР.
3. Использование экспертных систем как инструмента обучения и контроля:
   • Для представления учебного материала: ЭС может адаптировать контент под уровень знаний ученика, предлагая индивидуальный путь изучения.
   • Для контроля знаний, умений, навыков: Вместо традиционных тестов, ЭС может осуществлять пошаговый контроль за правильностью хода решения задачи. Например, при решении логической задачи система может отслеживать каждый шаг, указывая на ошибки и предлагая подсказки, подобно репетитору. Это развивает не только знания, но и логическое мышление.
   • Сопровождение решения задач: ЭС может служить «электронным репетитором», который не только проверяет ответы, но и объясняет, почему допущена ошибка, и как её исправить.
4. Практико-ориентированный подход для студентов вузов:
   • Разработка мини-проектов: Студенты технических вузов могут разрабатывать простейшие СППР или ЭС, используя доступные платформы или языки программирования. Студенты-педагоги могут создавать обучающие модули на базе ЭС для школьников.
   • Анализ кейсов: Изучение реальных примеров применения СППР, ЭС и БД в различных сферах (медицина, бизнес, производство) с последующим обсуждением их эффективности и принципов работы.
   • Работа с СУБД: Практические занятия по проектированию баз данных, написанию SQL-запросов, нормализации таблиц в реальных СУБД (например, MySQL, PostgreSQL).
5. Интеграция ИКТ: Широкое использование информационно-коммуникационных технологий (ИКТ) открывает для педагога новые возможности. Интерактивные доски, обучающие онлайн-платформы, симуляторы и виртуальные лаборатории могут значительно повысить эффективность и качество обучения, делая процесс более наглядным и увлекательным.

Таким образом, методические приемы должны быть направлены на развитие критического мышления, аналитических способностей и практических навыков использования информационных систем, что является залогом успешного освоения этих сложных, но крайне важных дисциплин.

Развитие критического мышления и аналитических способностей

В условиях постоянно меняющегося информационного ландшафта, когда объем данных растет экспоненциально, а информация порой противоречива, критическое мышление и креативность становятся не просто желательными, а жизненно необходимыми навыками. По прогнозам Всемирного экономического форума (Future of Jobs report 2020), к 2025 году они войдут в число самых востребованных навыков (Soft Skills). Ускоренная цифровая трансформация выводит на первый план аналитическое мышление, самообучение и комплексное решение задач. Российские работодатели также высоко ценят «гибкие» навыки: по данным Аналитического центра НАФИ (июль 2023 г.), наряду с профессиональными знаниями, для карьерного успеха важны навыки принятия решений в стрессовых ситуациях (19%) и умение действовать в условиях многозадачности (16%).

Преподавание разделов, связанных с СППР, ЭС и БД, предоставляет уникальную возможность для целенаправленного развития этих качеств. Методические приемы на уроках информатики должны быть направлены не только на передачу знаний, но и на формирование способности анализировать информацию, оценивать её достоверность, выявлять причинно-следственные связи и принимать обоснованные решения.

Одним из наиболее эффективных инструментов для достижения этих целей является технология развития критического мышления (ТРКМ). Эта технология предполагает использование трех взаимосвязанных этапов, которые активизируют мыслительную деятельность учащихся и повышают эффективность восприятия информации:

1. Стадия вызова (актуализация имеющихся знаний):
   • Цель: Побудить учащихся к размышлению о теме, активизировать их предшествующие знания и опыт, вызвать интерес к новой информации.
   • Применение к СППР/ЭС/БД:
     • «Мозговой штурм»: Предложить студентам подумать, как они принимают решения в повседневной жизни (выбор смартфона, ВУЗа, маршрута). Какие факторы они учитывают? Нужна ли им «помощь» в этом?
     • «Верные/неверные утверждения»: Предложить ряд утверждений о базах данных или «умных» системах, попросив студентов оценить их истинность до изучения темы. Например: «База данных — это просто список информации», «Компьютер может думать как человек».
     • «Корзина идей»: Собрать все ассоциации и знания студентов по ключевым словам: «решение», «данные», «знания», «эксперт».
2. Стадия осмысления (работа с информацией):
   • Цель: Целенаправленное получение новой информации, её анализ, сопоставление с уже имеющимися знаниями.
   • Применение к СППР/ЭС/БД:
     • «Чтение с пометками (ИНСЕРТ)»: При изучении материала по архитектуре БД или ЭС, студенты делают пометки: «V» — уже знал, «+» — новая информация, «-» — думал иначе, «?» — есть вопросы.
     • «Таблица ЗИУ (Знаю-Интересуюсь-Узнал)»: Перед началом изучения темы «Нормализация баз данных» студенты заполняют колонки «Знаю» и «Интересуюсь», а после изучения — «Узнал».
     • «Кластеры»: Создание ментальных карт или схем, отражающих взаимосвязи между понятиями СППР, ЭС и БД, их компонентами и функциями.
     • «Толстые и тонкие вопросы»: Стимулирование студентов к задаванию как простых (тонких), так и проблемных, аналитических (толстых) вопросов по материалу. Например, «Что такое 3НФ?» (тонкий) и «Почему НФБК строже 3НФ и какие преимущества это дает?» (толстый).
3. Стадия рефлексии (переработка полученных знаний):
   • Цель: Систематизация, обобщение и закрепление полученных знаний, а также осознание собственных мыслительных процессов.
   • Применение к СППР/ЭС/БД:
     • «Синквейн» (пятистишие): Создание коротких стихов, отражающих суть изучаемого понятия. Например, для «Базы данных»:
       

       Данные.
       Структурные, объемные.
       Хранит, упорядочивает, связывает.
       Основа любой информационной системы.
       Знание.

     • «Эссе»: Написание небольших аналитических эссе на тему, например, «Как СППР могут помочь в моей будущей профессии учителя информатики?».
     • «Шесть шляп мышления»: Анализ конкретного кейса применения СППР или ЭС с разных точек зрения (факты, эмоции, критика, преимущества, творчество, управление).

Использование этих методических приемов позволяет не только глубоко освоить теоретический материал по СППР, ЭС и БД, но и сформировать у студентов крайне важные «гибкие» навыки. Способность к активному обучению, комплексное решение проблем, аналитическое мышление, креативность и знание технологий — все это является фундаментом для успешной карьеры в условиях быстро меняющегося рынка труда. Развитие этих качеств на уроках информатики способствует подготовке высококвалифицированных специалистов, способных не только работать с информацией, но и критически её осмысливать и использовать для принятия эффективных решений.

Влияние современных технологий (ИИ/МО) на содержание и методы преподавания

Стремительное развитие искусственного интеллекта (ИИ) и машинного обучения (МО) не только трансформирует бизнес-процессы и научные исследования, но и оказывает глубокое влияние на образовательную сферу, особенно на содержание и методы преподавания информатики. Актуальные тенденции в развитии ИИ, такие как глубокое обучение, нейронные сети, обработка естественного языка, могут быть адаптированы и интегрированы в пропедевтический курс для создания более наглядных, интерактивных и релевантных учебных материалов. Это позволяет подготовить студентов к реалиям современного цифрового мира, где ИИ уже не экзотика, а повседневный инструмент.

Рассмотрим, как это влияние может проявляться:

1. Актуализация содержания пропедевтического курса:
   • Введение базовых концепций ИИ через аналогии: На пропедевтическом уровне можно начать с простых объяснений, что такое «обучающиеся» программы. Например, как рекомендательные системы на YouTube или онлайн-магазинах «учатся» понимать предпочтения пользователя, предлагая похожий контент. Это закладывает основы понимания работы алгоритмов МО.
   • Примеры из повседневной жизни: Использование кейсов, связанных с голосовыми помощниками (Siri, Алиса), системами распознавания лиц на смартфонах или интеллектуальными системами в автомобилях. Это позволяет продемонстрировать, что ЭС и ИИ — это не что-то далекое, а часть их жизни.
   • Упрощенные модели экспертных систем: Для студентов-педагогов можно предложить создать простые логические игры или квесты, которые имитируют работу ЭС, используя правила «ЕСЛИ-ТО». Например, «ЕСЛИ персонаж находится в лесу И видит гриб, ТО проверить его на съедобность».
2. Интеграция интерактивных и визуальных учебных материалов:
   • Визуализаторы работы нейронных сетей: Существуют онлайн-инструменты, которые в простой графической форме демонстрируют, как обучаются нейронные сети, как они распознают образы или классифицируют данные. Это позволяет студентам увидеть абстрактные концепции в действии.
   • Симуляторы СППР: Создание учебных симуляторов, где студенты могут принимать решения в упрощенных бизнес-сценариях или игровых ситуациях, а система показывает последствия их выбора. Это способствует развитию аналитических навыков и пониманию принципов СППР.
   • Интерактивные диаграммы баз данных: Использование онлайн-конструкторов ER-диаграмм, где студенты могут проектировать базы данных, видеть связи между таблицами и сразу получать обратную связь.
3. Развитие навыков работы с данными и аналитическое мышление:
   • Сбор и анализ простых данных: Предложить студентам собрать небольшие наборы данных (например, о погоде, любимых книгах одноклассников) и попробовать их анализировать, выявлять закономерности, используя простейшие инструменты (Excel). Это формирует «чувство данных».
   • Основы принятия решений на основе данных: Через игровые задачи показать, как можно сделать выбор, опираясь не на интуицию, а на факты и статистику. Например, «Какой напиток продать больше, если известно, что в жаркую погоду спрос на лимонад выше на 30%?».
4. Повышение мотивации и интереса к предмету:
   • Использование современных технологий, о которых студенты слышат в новостях и видят в повседневной жизни, значительно повышает их интерес к информатике. Понимание того, что за «магией» ИИ стоят вполне конкретные алгоритмы и принципы, стимулирует к более глубокому изучению.
   • Проекты, связанные с ИИ и МО, могут быть крайне увлекательными, например, создание простой программы для классификации изображений или текстовых сообщений.
5. Развитие Soft Skills, востребованных в ИИ-эпоху:
   • Критическое мышление: Анализ того, как ИИ может ошибаться, где его ограничения, почему важно проверять его выводы.
   • Комплексное решение проблем: Проектирование даже простейших систем ИИ требует системного подхода и умения декомпозировать сложную задачу.
   • Адаптивность и самообучение: Понимание, что технологии постоянно меняются, и важно быть готовым к непрерывному обучению.

Таким образом, современные тенденции в развитии ИИ и машинного обучения предоставляют уникальные возможности для обогащения пропедевтического курса информатики. Адаптация этих концепций к уровню подготовки студентов, использование наглядных примеров и интерактивных инструментов позволяет не только сформировать прочные теоретические знания, но и развить ключевые навыки, необходимые для успешной жизни и профессиональной деятельности в информационном обществе.

Заключение

В эпоху беспрецедентной цифровой трансформации, где способность к анализу данных и принятию обоснованных решений становится одним из важнейших навыков, всестороннее понимание систем поддержки принятия решений (СППР), экспертных систем (ЭС) и баз данных (БД) является не просто академической необходимостью, а фундаментальной основой для подготовки специалистов будущего. Настоящая курсовая работа представила исчерпывающий анализ этих ключевых областей информатики, начиная с их исторических корней и теоретических основ, и заканчивая практическими аспектами их интеграции в образовательный процесс, особенно на пропедевтическом уровне обучения информатике.

Мы проследили эволюцию СППР от первых теоретических изысканий до современных интеллектуальных систем, интегрирующих машинное обучение и глубокие нейронные сети, способные не только анализировать данные, но и давать обоснованные рекомендации с пояснениями. Детально рассмотрена архитектура и принципы функционирования ЭС, показано, как формализованные знания экспертов могут быть использованы для решения неформализованных задач, с примерами знаковых систем, таких как MYCIN и DENDRAL. В области баз данных было дано определение, раскрыты этапы исторического развития, подробно рассмотрены основные модели данных (реляционная, иерархическая, сетевая и другие), а также фундаментальные концепции целостности данных и нормализации, включая НФБК. Отдельное внимание уделено методологиям и этапам проектирования БД, включая «нисходящий», «восходящий» и «смешанный» подходы, а также ключевым принципам эффективного проектирования.

Кульминацией исследования стала разработка методических рекомендаций по интеграции этих сложных концепций в пропедевтический курс информатики. Обоснована важность этого этапа обучения, его цели и задачи согласно ФГОС, а также предложены конкретные педагогические приемы — от использования аналогий и игровых методик до применения экспертных систем в качестве обучающих инструментов. Особый акцент сделан на развитии критического мышления, аналитических способностей и «гибких» навыков, которые являются наиболее востребованными на современном рынке труда. Проанализировано влияние быстрого технологического развития в области ИИ и МО на содержание и методы преподавания, показано, как эти тенденции могут быть адаптированы для создания более наглядных и интерактивных учебных материалов.

Значимость разработанной методической структуры заключается в ее способности подготовить квалифицированных специалистов: студентов технических вузов, обладающих глубокими знаниями в области интеллектуальных систем и баз данных, и студентов педагогических вузов, способных эффективно транслировать эти знания школьникам, формируя у них основы информационной культуры и критического мышления.

Перспективы дальнейших исследований видятся в разработке конкретных учебных программ и модулей для пропедевтического курса информатики, интегрирующих элементы ИИ и МО в практические задания. Это может включать создание интерактивных симуляторов СППР, простых обучающих экспертных систем или платформ для визуализации данных, которые будут способствовать более глубокому и осмысленному освоению материала, подготавливая новое поколение к вызовам и возможностям цифрового будущего.

Список использованной литературы

1. Абчук В.А. Экономико-математические методы: элементарная математика и логика. Методы исследования операций. – Спб.: Союз, 1999. – 203 с.
2. Бережная Е. В. Математические методы моделирования экономических систем. – М.: Финансы и статистика, 2001. – 223 с.: ил.
3. Гайдамакин Н. А. Автоматизированные информационные системы, базы и банки данных. Вводный курс: Учебное пособие. — М.: Гелиос АРВ, 2005. — 368 с, ил.
4. Грекул В.И., Денищенко Г.Н., Коровкина Н.Л. Проектирование информационных систем. М.: Бином, 2008. – 304 с: ил.
5. Гринченко Н. Н., Гусев Е. В., Макаров Н. П. Проектирование баз данных. СУБД Microsoft Access: Учебное пособие. М.:Горячая Линия – Телеком, 2006. – 240 с.
6. Зайцев М. Г. Методы оптимизации управления для менеджеров – М.: Дело, 2002. – 314 с.: ил.
7. Информатика: Базовый курс / С. В. Симонович и др. — СПб.: Питер, 2003. — 640 с.: ил.
8. Исследование операций в экономике/ Под ред. Н Ш Кремера. – М.: Юнити, 2001. – 310 с.: ил.
9. Караманов В. Г. Математическое программирование. – М.: Наука, 1980. – 367 с.: ил.
10. Кауфельд Дж. Аccess 2003 для «Чайников». – М.: Диалектика, Вильямс, 2003. – 320с.
11. Матвеев Л. А. Компьютерная поддержка решений: Учебник – Спб: «Специальная литература», 1998. – 472 с.
12. Пантелеев А. В., Летова Т. А. Методы оптимизации в примерах и задачах. – М.: Высш. шк., 2002. – 544 с.: ил.
13. Пинкер А. Г., Брыжина Э. Ф. Основы оптимального программирования. – Л.: Изд-во Ленингр. ун – ва, 1974. – 188 с.: ил.
14. Туманов В.Е. Основы проектирования реляционных баз данных. – М.:БИНОМ. Лаборатория знаний, Интернет-университет информационных технологий, 2007. – 320 с.
15. Фомин Г. П. Математические методы моделирования экономической деятельности. – М.: Финансы и статистика, 2001.
16. БАЗЫ ДАННЫХ КАК ОСНОВА ИНФОРМАЦИОННЫХ СИСТЕМ ПРЕДПРИЯТИЙ Текст научной статьи по специальности. URL: https://cyberleninka.ru/article/n/bazy-dannyh-kak-osnova-informatsionnyh-sistem-predpriyatiy (дата обращения: 21.10.2025).
17. Развитие критического мышления у студентов на уроках информатики. Педагогический инструментарий Текст научной статьи по специальности «Науки об образовании». URL: https://cyberleninka.ru/article/n/razvitie-kriticheskogo-myshleniya-u-studentov-na-urokah-informatiki-pedagogicheskiy-instrumentariy (дата обращения: 21.10.2025).
18. АРХИТЕКТУРА И ТАКСОНОМИЯ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ Текст научной статьи по специальности «Компьютерные и информационные науки». URL: https://cyberleninka.ru/article/n/arhitektura-i-taksonomiya-sistem-podderzhki-prinyatiya-resheniy (дата обращения: 21.10.2025).
19. Методология проектирования баз данных в процессе обучения Текст научной статьи по специальности «Компьютерные и информационные науки». URL: https://cyberleninka.ru/article/n/metodologiya-proektirovaniya-baz-dannyh-v-protsesse-obucheniya (дата обращения: 21.10.2025).
20. МЕТОДОЛОГИЯ ПРОЕКТИРОВАНИЯ И СОЗДАНИЯ БАЗ ДАННЫХ ДЛЯ СОВРЕМЕННОГО ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ. URL: https://universum.com.ua/ru/tech/30-01-2024/9206 (дата публикации: 30.01.2024; дата обращения: 21.10.2025).
21. ОСНОВЫ ПРОЕКТИРОВАНИЯ БАЗ ДАННЫХ. URL: https://kstu.ru/docs/doc_26343_1.pdf (дата обращения: 21.10.2025).
22. ПРОПЕДЕВТИЧЕСКИЙ КУРС ОБУЧЕНИЯ ИНФОРМАТИКЕ 1. Цель освоения дисциплины. URL: https://vspu.ru/sites/default/files/pages/kafedry_i_strukturnye_podrazdeleniya/kafedra_informatiki_i_io/oop_v_fgos_3/prop_kurs.pdf (дата обращения: 21.10.2025).
23. Роль и место экспертных систем в образовании Текст научной статьи по специальности. URL: https://cyberleninka.ru/article/n/rol-i-mesto-ekspertnyh-sistem-v-obrazovanii (дата обращения: 21.10.2025).
24. Системы поддержки принятия решений для управления технологическими процессами в пирометаллургии. URL: https://elar.urfu.ru/bitstream/10995/103632/1/978-5-7996-3392-7_2022_21.pdf (дата публикации: 2022; дата обращения: 21.10.2025).
25. Технология развития критического мышления на уроках информатики. URL: https://infourok.ru/tehnologiya-razvitiya-kriticheskogo-misleniya-na-urokah-informatiki-5250444.html (дата обращения: 21.10.2025).
26. Современные педагогические технологии. URL: https://krasper-muc.ru/wp-content/uploads/2021/01/sovremennye-pedagogicheskie-tekhnologii.pdf (дата публикации: 2021; дата обращения: 21.10.2025).
27. Пропедевтический курс: цели, задачи, содержание обучения, особенности методики преподавания. Машинный и безмашинный варианты пропедевтического курса информатики. URL: https://rudocs.exdat.com/docs/index-48618.html?page=14 (дата обращения: 21.10.2025).